一种基于SOFM神经网络的高光谱图像快速分类方法

高光谱图像的快速准确分类是遥感图像处理的关键技术之一。本文提出了区域特征光谱(RFS)的概念,并采用空间邻域聚类方法提取区域特征光谱;提出了以区域特征光谱作为SOFM神经网络输入的RFS-SOFM高光谱图像快速分类方法,该方法通过区域特征光谱代替单个像元光谱实现神经网络运算量的降低和对图像噪声的抑制。对AVIRIS图像数据的仿真结果表明：RFS-SOFM分类精度高于SOFM神经网络和K-均值算法,计算量约为K-均值的163.6%,SOFM神经网络的5.9%．     

基于低概率检测的高光谱图像有损压缩方法研究

高光谱图像海量数据的不断增加迫切需要实现大比例的有损压缩。现有方法往往不能满足重要信息准确保留的要求。文中提出结合区域分割和低概率异常检测（LPD）算法的数据有损压缩方法,用空间聚类实现区域分割从而提取大块区域包含的背景光谱。LPD算法用于检测场景中低概率出现的奇异目标,接着对背景光谱和奇异目标光谱进行无损压缩,最后对整个数据立方体进行大比例有损压缩。AVIRIS高光谱图像的仿真结果表明．压缩比得到大幅度提高。同时准确保留了重要和主要信息。     

基于改进残差网络的高光谱图像分类算法研究

针对高光谱图像在训练样本较少时无法构建有效的深度学习分类模型的问题,对传统的残差块(residual block)模型进行改进,提出一种“金字塔”残差块分类算法。设计一种包含数十个卷积层的深度学习网络,与传统残差模型相比大大减少了参数量,且可以充分提取高光谱图像的深层空间-光谱特征;在2种开源数据集Indian Pines和University of Pavia上进行实验,同时选取了3种经典的分类方法作为对比。实验结果表明：该算法表现效果最佳,可以有效提高高光谱图像的分类精度。     

高光谱异常检测中背景抑制方法的研究进展

为解决目前高光谱图像的空间分辨率较低的缺点,分析和总结了高光谱异常检测中背景抑制算法。对背景抑制方法进行了分类,按照类别分别对背景抑制方法进行了分析介绍,并针对目前背景抑制方法所存在的问题,提出了未来高光谱图像异常检测中背景抑制方法的研究方向。该研究对弱小信号的检测具有一定的参考作用。     

基于感兴趣区域互信息的多模图像配准方法

针对可见光和红外图像的配准问题,提出了一种改进的基于感兴趣区域梯度互信息的多模图像配准方法。该算法从两个方面做了改进,首先,为了提高算法性能,对图像做了预处理抑制噪声,然后通过对图像进行灰度级降采样操作,合理选择较少的灰度级达到减少计算量的目的;其次,提取图像中复杂度高的区域作为感兴趣区域来代替整幅图像进行配准,这样不...     

各向异性扩散-中值滤波在红外图像处理中的应用

在低信噪比图像处理中．为了在图像去噪时更好地保留边缘。提出了一种各向异性扩散一中值滤波方法。这种方法包含两个步骤：首先。为了使滤波器在抑制噪声时具有鲁棒的边缘保持能力。该方法采用各向异性扩散滤波对图像进行处理。其中．各向异性扩散滤波中的扩散函数选用Tukey函数；然后。为了去除各向异性扩散滤波后图像中的脉冲噪声．采用中值滤波对图像做进一步的处理。从而使这种滤波方法在抑制噪声的同时使边缘模糊达到最小。从仿真结果可以看出，文中的方法具有良好的噪声抑制和边缘保持能力。     

复合材料X射线检测方法研究

针对X射线检测复合材料原始图像具有灰度区间窄、缺陷边缘模糊、图像噪声多、缺陷特征有时被淹没的特点．文中提出了一种基于软阈值的小波图像增强方法,图像经过小波分解后可以得到一系列不同尺度上的子带图像．在不同尺度的子带图像上进行基于软阈值滤波的细节系数增强．再进行图像重构．即可得到增强后的X射线检测图像。实验表明．该方法可以有效地增强图像的细节信息,抑制噪声,改善图像的视觉效果。     

基于梯度图像法的激光雷达图像融合滤波算法

为了有效消除激光雷达图像斑点噪声的干扰,针对单一滤波算法的不足,提出一种基于梯度图像法的激光雷达图像滤波融合算法。分析激光雷达图像的噪声特点,综合Lee滤波和小波滤波的优势,该算法利用图像的梯度图像来判断斑点噪声隶属于信号区域还是边缘区域,在边缘点采用小波阈值滤波的结果,在信号区域选择Lee算法的结果达到最好的滤波目的。仿真试验的结果表明:该算法具有很强的散斑噪声抑制能力,能够在噪声滤波和图像信息保持2个方面都能达到很好的效果。     

基于纹理特征MNF变换的多光谱遥感影像分类

提出了一种基于纹理特征最小噪声分离(Minimum Noise Fraction,MNF)变换的多光谱遥感影像分类方法.利用灰度共生矩阵对每个光谱波段进行纹理特征提取,对纹理特征进行MNF变换,将集中了大部分纹理特征信息的MNF分量与光谱信息协同进行分类.基于CBERS-04遥感影像对郎玛村地区进行岩土分类实验.结果表明,该方法的分类精度高于传统的基于光谱主成分纹理特征的多光谱遥感影像分类方法,其分类结果具有更好的区域一致性和较少的小图斑噪声.     

基于特征点和区域生长的目标图像分割方法

成像探测的运动目标图像中背景复杂并且含有大量的噪声,针对传统的目标的检测和分割方法精确定位困难、且不能完整分割等问题,提出基于特征点和区域生长的运动目标图像分割方法。通过相邻帧图像的绝对值差分图像得到大概的运动区域,利用基于LK光流的角点检测方法提取差值图像中的特征点,采用非最大值抑制对特征点的优劣性进行评估,对好的特征点进行区域生长,最终达到运动目标的分割目的。仿真结果表明:该方法能够对复杂图像序列中的运动目标进行精确定位,得到较好的目标分割结果,并且计算量小,具有较高的鲁棒性。